기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 예측 인사이트(미리 보기)
<a name="customer-profiles-predictive-insights"></a>

*예측 인사이트*(미리 보기)는 인공 지능을 사용하여 고객을 위한 맞춤형 제품 및 콘텐츠 추천을 생성하는 Amazon Connect Customer Profiles의 기능입니다. 고객 상호 작용 데이터를 분석하여 Predictive Insights는 모든 고객 접점에서 더 관련성이 높은 경험을 제공하는 데 도움이 됩니다.

## 예측 인사이트 작동 방식
<a name="predictive-insights-how-it-works"></a>

Predictive Insights(미리 보기)는 AI 모델을 사용하여 고객 행동 패턴을 분석하고 실시간 권장 사항을 생성합니다. 서비스는 구매 기록 및 브라우징 활동과 같은 고객 상호 작용 데이터를 처리하여 패턴과 기본 설정을 식별합니다.
+ **1단계: **기존 데이터 커넥터를 사용하여 프로필에 상호 작용 데이터 추가를 통해 고객 상호 작용 데이터로 AI 모델 훈련 
+ **2단계:** Customer Profiles가를 통해 항목 데이터에 액세스할 수 있도록 S3에 항목 카탈로그 추가 AWS Management Console
+ **3단계:** 추천 유형(유사 항목, 자주 페어링되는 항목, 인기 항목)을 정의하여 추천 생성 
+ **4단계:** 에이전트 Workspace, 흐름 및 Connect AI 에이전트를 포함하여 Amazon Connect 에코시스템에 권장 사항 적용 

## 사전 조건
<a name="predictive-insights-prereqs"></a>
+ **고객 프로필에서 데이터 스토어 활성화**

  Customer Profiles를 사용하여 AI 모델을 훈련하려면 데이터 스토어를 활성화해야 합니다. 자세한 내용은 Customer Profile Data Store에서 세부 정보를 참조하세요.
+ **KMS**

  에서 데이터를 암호화하도록 Customer Profiles를 구성했습니다 AWS KMS key.
+ **보안 프로필**

  예측 인사이트가 활성화된 상태에서 보기(예측 인사이트 나열 및 보기), 생성(권장 사항 생성), 삭제(권장 사항 삭제) 및 편집(권장 사항 업데이트) 권한을 지원하도록 보안 프로필을 구성했습니다.

## 예측 인사이트 사용의 이점
<a name="predictive-insights-benefits"></a>

예측 인사이트를 사용하면 다음과 같은 몇 가지 주요 이점이 있습니다.
+ 맞춤형 추천으로 고객 경험 개선
+ 관련 제품 제안을 통해 판매 기회 확대
+ 관련 권장 사항을 자동으로 표시하여 에이전트 시간 절약
+ 모든 고객 접점에서 일관된 권장 사항 제공
+ 고객 행동 변화에 따라 실시간으로 제안 사항 업데이트

## 데이터 고려 사항
<a name="data-considerations"></a>

다음 섹션에서는 사용 사례를 일치시키고 예측 인사이트의 데이터 준비 상태를 평가하는 방법에 대한 지침을 제공합니다.

### 사용 사례를 예측 인사이트와 일치시켰나요?
<a name="data-consideration-1"></a>

Predictive Insights 개인화 유형은 다음과 같은 사용 사례를 해결할 수 있습니다.
+ 사용자를 위한 개인 맞춤형 추천 생성
+ 유사 항목 또는 관련 항목 추천
+ 유행 항목 또는 인기 항목 추천
+ 관련성을 기준으로 항목 재정렬

### 항목 상호 작용 데이터가 충분합니까?
<a name="data-consideration-2"></a>

모든 사용 사례 및 개인 맞춤 유형에 대해 각각 두 개 이상의 상호 작용이 있는 25명의 고유 사용자에 대해 최소 1,000개의 항목 상호 작용이 있어야 합니다. 품질 추천의 경우, 각 2번 이상의 항목 상호 작용을 갖는 1,000명 이상의 사용자로부터 50,000건 이상의 항목 상호 작용을 갖는 것이 좋습니다.

### 실시간 이벤트 스트리밍 아키텍처가 마련되어 있습니까?
<a name="data-consideration-3"></a>

실시간 이벤트를 Connect Customer Profiles로 스트리밍할 수 있는 경우 실시간 개인 맞춤을 활용할 수 있습니다. 일부 개인화 유형을 사용하면 Predictive Insights는 사용자의 최신 활동에서 학습하고 애플리케이션을 사용할 때 권장 사항을 업데이트할 수 있습니다.

### 데이터가 예측 인사이트에 최적화되어 있나요?
<a name="data-consideration-4"></a>

데이터에서 다음 사항을 확인하는 것이 좋습니다.
+ 누락된 값이 있는지 확인합니다. 레코드 중 최소 70%에 모든 속성에 대한 데이터를 포함시키는 것이 좋습니다. null 값을 70% 이상 완료할 수 있는 열을 사용하는 것이 좋습니다.
+ 일관되지 않은 명명 규칙, 항목의 중복 범주, 데이터세트의 ID 불일치, ID 중복과 같은 데이터의 부정확성이나 문제를 수정합니다. 이러한 문제는 추천에 부정적인 영향을 미치거나 예기치 않은 동작으로 이어질 수 있습니다. 예를 들어 데이터에 "N/A"와 "해당 없음"이 모두 있지만 "N/A"만 기준으로 추천을 필터링할 수 있습니다. "해당 없음"으로 표시된 항목은 필터를 통해 제거되지 않습니다.
+ 항목, 사용자 또는 작업이 여러 범주를 가질 수 있는 경우(예: 장르가 여러 개 있는 영화) 범주별 값을 하나의 속성으로 결합하고 \| 연산자를 사용하여 각 값을 구분합니다. 예를 들어 영화의 GENRES 데이터는 액션 \| 어드벤처 \| 스릴러일 수 있습니다.
+ 한 열에 사용할 수 있는 범주가 1000개를 넘지 않도록 합니다(열에 필터링 용도로만 사용되는 데이터가 포함된 경우 제외).